CN103996312A - 具有社会行为交互的无人驾驶汽车控制系统 - Google Patents

Abstract

本发明涉及一种具有社会行为交互的无人驾驶汽车控制系统及方法，所述控制系统分析其他车辆的驾驶意图，根据其他车辆的驾驶意图控制自身车辆的行驶状态。依据本发明的系统和方法可以根据其它车辆的行驶意图进行社会行为交互，从而提高了无人驾驶车辆行车的安全性。

Description

具有社会行为交互的无人驾驶汽车控制系统

技术领域

本发明属于汽车领域,具体而言涉及一种具有社会行为交互的无人驾驶汽车控制系统。

背景技术

无人驾驶汽车技术正在慢慢成熟，国内无人驾驶车辆也有20多年的发展历史，尤其是近几年国家自然基金委组织的“中国智能车未来挑战赛”(Future Challenge，FC)更是进一步推进了中国无人驾驶汽车的发展。国外汽车行业咨询机构IHS Automotive预测到2025年该类车型将会出现在市场上，并且其全球销量将达到23万辆；到2035年无人驾驶汽车的销量将达到1,180万辆，比例占全球汽车总销量的9％。由此可见，无人驾驶汽车是未来汽车行业的一个必然选择。

尽管如此，无人驾驶汽车完全应用于现实生活还有很长一段距离，尤其是有人驾驶汽车与无人驾驶汽车混合行驶在交通场景中，如何实现与有人驾驶汽车以及行人等的交互，还是一大难点。以通过交叉路口为例，无人驾驶车辆往往采用被动等待的技术。通常是等其他车辆通过路口后，再作相应动作；而不是与其他车辆在交叉口进行动态交互。因此要实现将无人驾驶汽车投入现实使用的目标，无人驾驶汽车必须能像有人驾驶汽车那样和其他车辆、行人进行社会性的交互。

和有人驾驶汽车交通相比，无人驾驶汽车由于缺少人类思维的指导，要想在现实当中上路行驶，就必须借助于自身安装的智能设备和外界智能交通系统提供的信息。这就必须要让无人驾驶汽车“模仿”人类的行为。现有的“模仿”往往都是建立在规则基础上的——也就是一次性的、完全根据外界信息和制定的规则来控制无人驾驶汽车。但是这样的“模仿”是低效的、低鲁棒性的，不符合发展的要求，所以要实现对人类思维的“模仿”。无人驾驶汽车在这个“模仿”过程当中要完成信息获取、分析、思考到反馈的一个循环任务。

为了解决交互的问题，申请号为201210101461.9的中国发明专利提供一种基于车车通信的协同避撞装置，通过通信单元采集周围车辆车距、车速等信息，并与周围的车辆进行实时信息交互；当出现车距小于安全车距时，后车信息处理控制单元会通过计算期望减速度完成减速避撞；当仅靠后车无法完成避撞时，会发送分配加速度信息给前车，通知前车加速协同避撞。但是该专利必须要求各个车辆都装有协同避撞系统，并且只能实现前后车间协作，无法适用于高速公路匝道入口、交叉路口等更复杂的交通情况。

申请号为201310058330.1的中国发明专利当中描述了一种运用交通管理器和车载辅助驾驶设备，通过无线通信传输信息为车辆通过交叉路口提供导航信息的方法。但是该专利只是说明了在交叉路口和存在交通管理器的情况下的通行管控系统，并且以传感器得到的车辆动力学信息作为计算依据，并没有考虑驾驶员的驾驶意图，无法实现真正意义上的社会行为交互。

所以，怎样在现有无人驾驶技术和智能交通系统的研究成果基础上设计出具有社会行为交互能力的无人驾驶汽车控制系统，提高无人驾驶汽车在复杂交通环境下的自主能力，是真正实现无人驾驶亟待解决的问题。

发明内容

本发明正是基于现有技术的上述需求而提出的，其要解决的技术问题是提供一种具有社会行为交互的无人驾驶汽车控制系统或方法，可以实时估计其他车辆状态得到其行驶意图，并且根据行驶意图进行社会行为交互。

为了解决上述问题，根据本发明的第一个方面提供了一种具有社会行为交互的无人驾驶汽车控制系统，所述控制系统分析其他车辆的驾驶意图，根据其他车辆的驾驶意图控制自身车辆的行驶状态。

根据本发明的另一个方面提供了一种具有社会行为交互的无人驾驶汽车控制系统，所述系统包括：状态估计模块，所述状态估计模块根据其他车辆的连续状态判断所述其他车辆的行驶意图；决策模块，所述决策模块根据所述状态估计模块得到的其他车辆驾驶意图和无人驾驶汽车自身的状态信息来做出决策；信息处理器，所述信息处理模块包括状态处理单元和行驶信息判断单元，所述状态处理单元将所述决策模块的决策转换为对无人驾驶车辆的行驶命令；所述行驶信息判断单元分析所述无人驾驶车辆的车辆动力学信息得到无人驾驶车辆的行驶信息，并将上述信息返回至所述决策模块；底层控制器，所述底层控制器根据所述行驶命令控制车辆的行驶状态；所述底层控制器还持续感知所述车辆的行驶参数，并将所述参数返回给所述行驶信息判断模块。

其中，所述状态估计模块采用隐形马尔科夫模型来判断其他车辆的行驶意图；所述隐形马尔科夫模型包括N个隐藏的状态S＝{s₁,s₂,…,s_N}，M个可以观测的观察状态V＝{v₁,v₂,…,v_M}；用R_t和U_t分别表示在t时刻的隐藏状态和观察状态，定义：状态转移矩阵：A＝{a_ij}，其中a_ij＝P{R_t+₁＝s_j|R_t＝s_i},1≤i,j≤N，使用所述状态转移矩阵表示转移概率；隐藏状态的分布矩阵B＝{b_ij}，所述隐藏状态的分布矩阵和观察状态之间的关系用概率来表示：b_ij＝b_j(v_i)＝P{U_t＝v_i|R_t＝s_j}，1≤k≤M；初始状态分布向量π＝{π_i}，其中π_i＝P{R₁＝s_i},1≤i≤N；则所述隐形马尔科夫模型表示为λ＝(A,B,π)。

其中本发明采用的二维HMM是对标准HMM的扩展：一个二维HMM有两个观察状态集合V和W，其定义与标准HMM相同。二维HMM可以表示为λ＝(A,B₁,B₂,π)。其中A和π的定义不变，B₁和B₂分别对应V和W两个观察状态集合的隐藏状态的分布矩阵。

其中，利用通讯模块得到其他车辆的速度和加速度观察状态序列O＝{o₁,o₂……o_T}，其中o_t＝(v_t，a_t)^T,v_t和a_t分别是车辆速度和加速度数据经过分级处理后的离散状态。

其中，利用通讯模块得到其他车辆的速度观察状态序列O＝{o₁,o₂……o_T}，使用前向和后向算法来计算对应不同参数的概率。

其中，所述系统包括通讯模块，所述通信模块采用V2V无线通信来获取其他车辆的信息，速度信息，根据速度离散化区间对应得到所述其它车辆的观察状态序列。

其中，在明确了其他车辆的行车意图之后，根据当前无人驾驶汽车的车速和其他车辆的车速计算在保持车速情况下，到达路径交叉点的时间间隔是否在冲突范围内，进而判断两车是否会发生碰撞；然后利用FSM模型对无人驾驶汽车的行车状态进行调整。

其中，所述FSM模型包括如下规则：设E1表示保持当前行车状态无法避免碰撞，E2表示保持当前行车状态可以安全通过匝道口，E3表示其他车辆的驾驶意图是让车，E4表示其他车辆的驾驶意图是不让车；当状态为E1和E3时进行加速行驶，当状态为E2时保持当前速度，当状态为E1和E4时进行减速行驶。(该规则以公路匝道入口为例，其他相似场景可制定相似规则)

根据本发明的又一个方面，提供了一种具有社会行为交互的无人驾驶汽车控制方法，所述方法采用上述系统来驾驶汽车。

其中，利用Baum-Welch算法训练出对于不同意图的参数λ_i，i对应于不同的车辆驾驶意图；利用驾驶员驾驶车辆从入口车道行驶进入主道，分别执行让车和不让车的意图，每隔0.5秒记录一次所述驾驶员驾驶的车辆的速度和加速度，经过分级处理获得一系列离散的状态数据；然后通过MATLab程序计算出两种驾驶意图对应的HMM模型参数。

依据本发明的系统和方法可以实时估计其他车辆状态得到其行驶意图，并且根据行驶意图进行社会行为交互，从而提高了无人驾驶车辆行车的安全性。

附图说明

图1为高速公路匝道入口示意图；

图2为车载智能驾驶控制设备；

图3为混合状态系统示意图；

图4为基于经验规则的FSM；

图5为控制器流程图。

具体实施方式

下面依照附图对本发明的具体实施方式进行说明，需要指出的是，下述具体的实施方式仅仅是对本发明优选实现方案的举例，其内容并不能理解为对本发明保护范围的限制。

本发明考虑无人驾驶汽车在行驶过程中会出现的各种需要进行车间交互的情况，在这些交通场景下，无人驾驶汽车面对的不再是静止的车道线、建筑物，而是动态的车辆。如果双方不能够明白对方的意图，有时会产生不可控制的后果。

以公路匝道入口或其他相似场景为例，往往会因为车辆之间缺乏信息交流而造成交通事故。对于无人驾驶汽车而言，如果在缺乏人类思维指导的情况下，对于这些较为复杂的交通场景很难做出正确的反应。

本实施例中以公路匝道入口场景为例对于本发明的要点进行说明，然而可以理解的是，本发明的发明构思并不仅限于公路的匝道入口处。在其他的交通场景同样能够适用。

如图1示出了一种典型的公路匝道入口的场景，主路上包括行车道、超车道与减速带，减速带位于路的边缘，匝道与所述减速带相连。行车道和超车道上有行驶在公路上的公路车辆，其他车辆从所述匝道驶入所述公路。由于公路车辆与其他车辆在匝道入口附近交会，因此公路匝道入口是交通事故多发地带，经常会发生刮擦追尾事故。

根据现有的交通规则，车辆在通过匝道入口进入高速公路之前要在减速车道上先将车速降下来；但是经常有驾驶员不顾交通规则，没有在减速车道上减速就直接进入行车道，而这时行驶在行车道上的车辆因为没有察觉到这一违反规则的行为，从而造成交通事故。

假设在行车道上行驶的公路车辆是无人驾驶汽车，将从右侧匝道即将进入行车道的动态车辆称为其他车辆。要让无人驾驶汽车安全通过这个匝道入口，就必须知道同一时间在此进入高速的其他车辆的状态，通过计算发生碰撞的情况，在此基础上对无人驾驶汽车进行控制。

本发明实施例提供的车载智能驾驶控制设备，如图2所示。它包括通信模块、状态估计模块、决策模块、信息处理器和底层控制器。

其中，所述通信模块，用于获取道路中本车之外的其他车辆的连续状态信息。在本实施例的场景中，所述通信模块获取的是该匝道入口处将要并入相同车道的其他其他车辆的连续状态信息。优选地，本实施方式中采用的是V2V无线通信来获取其他车辆的信息的。V2V无线通信中，所有相关车辆都安装了可以发送自身车辆状态信息的无线发送器。优选地，本实施例中当车辆到达路口前提前发送自身车辆状态信息。通过主动发送自身车辆状态能够提醒在主路上行驶的车辆在匝道处有外来车辆驶入，从而能够方便在主道行驶的车辆提早获取匝道驶入车辆的信息以便于提早做出判断。

通讯模块可以准确的获取其他车辆的状态信息，包括高速匝道入口的地理信息和车辆的速度信息等。有时候可能会由于通讯故障造成无法准确获得其他车辆的状态信息，为避免由于盲目驾驶造成交通事故，采取消极避让的策略减速慢行，让其他车辆先行通过。

所述状态估计模块，用于根据通信模块获得的所述其他车辆的连续经过状态估计模块得到所述其他车辆的行驶意图(例如，所述其他车辆是否让车)。

状态估计模块在获得其他车辆的状态信息之后，根据这些信息来估计其他车辆的驾驶意图，这如同有人驾驶情况下人类思考的过程。本发明采用隐形马尔科夫模型(HMM)来实现这一估计。

一个离散HMM模型包括N个隐藏的状态S＝{s₁,s₂,…,s_N}，M个可以观测的观察状态V＝{v₁,v₂,…,v_M}。用R_t和U_t分别表示在t时刻的隐藏状态和观察状态，定义：

状态转移矩阵：A＝{a_ij}，其中a_ij＝P{R_t+1＝s_j|R_t＝s_i},1≤i,j≤N,使用所述状态转移矩阵表示转移概率；

隐藏状态的分布矩阵B＝{b_ij}，称作混淆矩阵，它和观察状态之间的关系也用概率来表示：b_ij＝b_j(v_i)＝P{U_t＝v_i|R_t＝s_j},1≤k≤M；

初始状态分布向量π＝{π_i}，其中π_i＝P{R₁＝s_i},1≤i≤N；这样一个HMM模型可以表示为λ＝(A,B,π)。

二维HMM是对标准HMM的扩展：一个二维HMM有两个观察状态集合V和W，其定义与标准HMM相同。二维HMM可以表示为λ＝(A,B₁,B₂,π)。其中A和π的定义不变，B₁和B₂分别对应V和W两个观察状态集合的隐藏状态的分布矩阵。

其中的参数A,B₁，B₂和π可以通过大量的实验数据训练得到，对于这里的问题取其他车辆的速度v和加速度a为实验所需数据，利用Baum-Welch算法训练出对于不同意图的参数λ_i，i对应于不同的车辆驾驶意图。在这里对于两种意图，让车和不让车，利用通讯模块得到离散的观察序列O＝{o₁,o₂……o_T}。

根据这一观察序列可以用穷举法计算对应不同参数的概率，但是这样计算量巨大，所以采用前向—后向算法，前向和后向算法基本思想都是用递归的方法来减少计算量。以前向算法为例，定义前向局部概率α_t(i)表示在已知观察序列后t时刻处于隐藏状态s_i的概率。对其进行初始化当t＞1时α_t(i)等于所有达到这一状态路径的概率之和，用递归的方法计算：其中和分别表示B₁和B₂中对应的概率值。最后整个观察序列的概率就可以表示为 $P\left(O\right|\mathrm{\λ})=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_T\left(i\right).$

分别计算对于不同参数的概率P(O|λ_i)，即这个观察序列对应与让车和不让车的概率分别是多少，选取概率较大的作为其他车辆意图的估计。因为MAT Lab程序中自带有运用Baum-Welch算法和前向-后向算法(Forward-backward algorithm)来计算HMM参数的函数，可以应用MAT Lab编程来完成对其他车辆状态的估计。

具体而言，本发明实施方式中可以通过如下方式来训练HMM模型参数：模拟匝道入口的试验场景，请n(n>10)位有经验的驾驶员驾驶车辆从入口车道行驶进入主道，分别执行让车和不让车的意图。假设车辆在匝道入口附近的速度在60km/h到90km/h之间，将车辆的速度和加速度分割成不同区间对应不同的观察状态如表1所示。设定隐藏状态数目N＝3。对于每位驾驶员的行驶过程每隔0.5秒记录一次车辆的速度和加速度状态，记录25秒内的速度数据，即50次速度和加速度数据；根据速度值对应的速度区间状态获得一系列离散的观察状态序列T_k(k＝1,2,…,n)，其中k表示不同驾驶员的数据。从而获得训练数据train＝[T₁,T₂,…,T_n]^T，根据先验知识给定起始的状态转移矩阵A₀和混淆矩阵B₁₀和B₂₀，然后通过MATLab中的hmmtrain函数训练出两种驾驶意图对应的HMM模型参数:A、B₁和B₂。

表1.速度区间与观察状态对应规则

速度	60-65	65-70	70-75	75-80	80-85	85-90
							状态	1	2	3	4	5	6

加速度	＜-3m/s2	-3m/s2-3m/s2	＞3m/s2
				状态	1	2	3

在该状态估计模块的实际应用中，当无人驾驶汽车进入高速公路匝道区域时。例如距离匝道入口200米范围内时，获取该匝道入口的ID号，根据通讯模块获得的信息，检查是否有其他车辆即将进入匝道入口的ID号与当前ID号匹配。如果匹配，则通过通讯模块获得该车辆的速度和加速度信息，每隔0.5秒获取一次观测值，这样连续6次得到一组速度观察序列{v₁,v₂,v₃,v₄,v₅,v₆}和加速度观察序列{a₁,a₂,a₃,a₄,a₅,a₆}。由表1可以得到对应的观察状态序列O＝[o₁,o₂,o₃,o₄,o₅,o₆],其中o_t＝[v_t,a_t]^T。运用前向—后向算法计算p₁＝P(O|λ₁)，表示让车的概率；_p2＝P(O|λ₂)表示不让车的概率。由于这里计算得到的p₁和p₂值很小，采用C＝log(p)作为比较的参数，比较两个数值的大小得到社会车辆的意图估计。

在明确了其他车辆的行车意图之后，根据当前无人驾驶汽车的车速和其他车辆的车速计算在保持车速情况下，到达路径交叉点的时间间隔是否在冲突范围内，进而判断两车是否会发生碰撞。如果会发生碰撞，根据现实中的经验，可以利用汽车灯光和喇叭的作用来提醒其他车辆，然后利用FSM模型对无人驾驶汽车的行车状态进行调整，如图4所示。

图中事件E1表示保持当前行车状态无法避免碰撞，E2表示保持当前行车状态可以安全通过匝道口；E3表示其他车辆的驾驶意图是让车，E4表示其他车辆的驾驶意图是不让车。

所述决策模块要根据状态估计模块得到的其他车辆驾驶意图和无人驾驶汽车自身的状态信息来做出决策，控制无人驾驶汽车的行驶。

例如，当状态为E1和E3时进行加速行驶，当状态为E2时保持当前速度，当状态为E1和E4时进行减速行驶。

其中其他车辆的驾驶意图是一些离散的状态，另外无人驾驶汽车的行驶状态也是离散的；但是获得驾驶意图是通过连续状态信息——速度，对无人驾驶汽车控制的实现也是以速度、航向等连续状态的改变为标准的，并且这些连续信息又反过来影响决策模块。所以无人驾驶汽车的这个系统结构是将连续状态系统和离散状态系统结合起来的一种混合状态系统(HSS)

如图所示整个系统结构的工作过程包括：

1.决策模块根据其他车辆意图、无人驾驶汽车行驶信息和当前车辆自身的状态，通过基于规则的FSM生成下一步控制策略；

2.信息处理器的状态处理将控制策略转化成行驶命令——行驶路线和行驶速度等传递给底层控制器；

3.底层控制器根据行驶命令和无人驾驶汽车当前位置航向信息得到新的行驶连续状态，从而实现对无人驾驶汽车的控制。用公式表示如下：

$\begin{array}{c}X(k+1)=F(X\left(k\right),\mathrm{\Γ}\left(k\right),s\left(k\right))\\ S(k+1)=\mathrm{\Ψ}\left(X(k+1)\right)\\ x(k+1)=f(x\left(k\right),y\left(k\right),S\left(k\right))\\ y(k+1)=v\left(x(k+1)\right)\\ s(k+1)=\mathrm{\Φ}\left(y(k+1)\right)\end{array}.$

如图5所示，在运用HMM算法估计其他车辆意图时，有时并不能得到很明确的值，可能会出现让车和不让车的概率是相近的，这种情况就属于意图估计不明确。在高速公路上行驶，由于车速较快，如果出现这种情况可能会造成交通事故。此时，可以设置车辆通过社会行为交互的操作——加速行驶或利用灯光鸣笛示意，给其他车辆一个明确的信息，这样其他车辆就会知道无人驾驶汽车的行车意图是不会避让。此时无人驾驶汽车再次重复之前的意图判断过程，这样无人驾驶汽车就和其他车辆实现了具有社会行为的交互，在确保不发生事故的前提下较快速地通过匝道口。

本发明通过添加社会交互行为控制，让无人驾驶汽车更加智能化，不再是完全被动的接受外界信息来改变自身行驶状态，而是与其他其他车辆有互相的影响，增强了无人驾驶汽车的应激性。

本发明是建立在现阶段无人驾驶汽车和智能交通系统已有成果基础上的，包括无人驾驶汽车的定位导航、路径规划、车辆控制和车间通讯(V2V)技术等。V2V技术保证所有车辆都安装了可以发送自身车辆状态信息的无线发送器，且在到达路口前提前发送自身车辆状态信息。

Claims (9)

1.一种具有社会行为交互的无人驾驶汽车控制系统，其特征在于，所述控制系统分析其他车辆的驾驶意图，根据其他车辆的驾驶意图控制自身车辆的行驶状态。

2.一种具有社会行为交互的无人驾驶汽车控制系统，其特征在于，所述系统包括：

状态估计模块，所述状态估计模块根据其他车辆的连续状态判断所述其他车辆的行驶意图；

决策模块，所述决策模块根据所述状态估计模块得到的其他车辆驾驶意图和无人驾驶汽车自身的状态信息来做出决策；

信息处理器，所述信息处理器包括状态处理单元和行驶信息判断单元，所述状态处理单元将所述决策模块的决策转换为对无人驾驶车辆的行驶命令；所述行驶信息判断单元分析所述无人驾驶车辆的车辆动力学信息得到无人驾驶车辆的行驶信息，并将上述信息返回至所述决策模块；

底层控制器，所述底层控制器根据所述行驶命令控制车辆的行驶状态；所述底层控制器还持续感知所述车辆的行驶参数，并将所述参数返回给所述行驶信息判断单元。

3.根据权利要求2所述的系统，其特征在于，所述状态估计模块采用隐形马尔科夫模型来判断其他车辆的行驶意图；

所述隐形马尔科夫模型包括N个隐藏的状态S＝{s₁,s₂,…,s_N}，M个可以观测的观察状态V＝{v₁,v₂,…,v_M}；用R_t和U_t分别表示在t时刻的隐藏状态和观察状态，定义：

状态转移矩阵A＝{a_ij}，其中a_ij＝P{R_t+1＝s_j|R_t＝s_i},1≤i,j≤N，使用所述状态转移矩阵表示转移概率；

隐藏状态的分布矩阵B＝{b_ij}，所述隐藏状态的分布矩阵和观察状态之间的关系用概率来表示：b_ij＝b_j(v_i)＝P{U_t＝v_i|R_t＝s_j}，1≤k≤M；

初始状态分布向量π＝{π_i}，其中π_i＝P{R₁＝s_i},1≤i≤N；

则所述隐形马尔科夫模型表示为λ＝(A,B,π)。

在以上标准HMM的基础上对于多观测序列的HMM进行扩展。当观测变量是两个的时候，将标准的HMM扩展为二维HMM。此时有两个观察状态集合V和W，其定义与标准HMM相同，于是一个二维HMM可以表示为λ＝(A,B₁,B₂,π)。其中A和π的定义不变，B₁和B₂分别对应V和W两个观察状态集合的隐藏状态的分布矩阵。

4.根据权利要求3所述的系统，其特征在于，

利用通讯模块得到其他车辆的连续状态数据，并经过处理得到离散的观察序列O＝{o₁,o₂……o_T}，

使用前向和后向算法来计算对应不同参数的概率。

5.根据权利要求4所述的系统，其特征在于，所述系统包括通讯模块，所述通信模块采用V2V无线通信来获取其他车辆的信息，进而得到所述其他车辆的观察序列。

6.根据权利要求3-5中任意一项所述的系统，其特征在于，在明确了其他车辆的行车意图之后，根据当前无人驾驶汽车的车速和其他车辆的车速计算在保持车速情况下，到达路径交叉点的时间间隔是否在冲突范围内，进而判断两车是否会发生碰撞；然后利用FSM模型对无人驾驶汽车的行车状态进行调整。

7.根据权利要求6所述的系统，其特征在于，所述FSM模型包括如下规则：设E1表示保持当前行车状态无法避免碰撞，E2表示保持当前行车状态可以安全通过匝道口，E3表示其他车辆的驾驶意图是让车，E4表示其他车辆的驾驶意图是不让车；当状态为E1和E3时进行加速行驶，当状态为E2时保持当前速度，当状态为E1和E4时进行减速行驶。

8.一种具有社会行为交互的无人驾驶汽车控制方法，其特征在于，所述方法采用如权利要求7所述的系统来驾驶汽车。

9.根据权利要求8所述的方法，其特征在于，利用Baum-Welch算法训练出对于不同意图的参数λ_i，i对应于不同的车辆驾驶意图；利用驾驶员驾驶车辆从入口车道行驶进入主道，分别执行让车和不让车的意图，每隔0.5秒记录一次所述驾驶员驾驶的车辆的速度和加速度，用分级方法将获得的数据对应到的相应的状态区间获得一系列观察状态序列；然后通过MATLab程序自带的关于HMM模型的函数训练出两种驾驶意图对应的HMM模型参数。